تأثیر کوتاه مدت Covid-19 در بازار سهام هند

شروع اطلاعیه های همه گیر و قفل Covid-19 توسط دولت ها باعث عدم اطمینان در عملیات تجاری در سطح جهان شده است. برای اولین بار ، یک شوک بهداشتی به زور در بازارهای سهام تأثیر گذاشته است. هند ، یکی از مهمترین بازارهای نوظهور ، شاهد سقوط گسترده حدود 40 ٪ در ارزش شاخص های اصلی سهام خود بوده است. بنابراین ، ما تأثیر کوتاه مدت همه گیر در شاخص اصلی بازار سهام هند (NIFTY50) و بخش های تشکیل دهنده آن را بررسی کردیم. برای تجزیه و تحلیل ما ، ما از سه مدل مختلف (مدل بازگشت ثابت ، مدل بازار و مدل تنظیم بازار) روش مطالعه رویداد استفاده کردیم. نتایج ما ناهمگن است و تا حد زیادی به بخش ها بستگی دارد. همه بخش ها به طور موقت تحت تأثیر قرار گرفتند ، اما بخش مالی با بدترین حالت روبرو بود. بخش هایی مانند Pharma ، کالاهای مصرفی و تأثیرات مثبت یا محدودی داشتند. ما در مورد توضیحات احتمالی برای همین بحث می کنیم. این نتایج ممکن است برای سرمایه گذاران در حفظ اوراق بهادار سهام از شوک های پیش بینی نشده و تصمیم گیری های بهتر سرمایه گذاری برای جلوگیری از خسارات بزرگ و غیر منتظره مفید باشد.

1. معرفی

سیستم مالی نقش مهمی در اقتصاد جهانی دارد (Maiti et al. 2021). وقایع سیستمی باعث بی ثباتی مالی گسترده ای می شود که عملکرد سیستم مالی را مختل می کند ، که به نوبه خود باعث ایجاد شوک در اقتصاد واقعی می شود (Duca and Peltonen 2013 ؛ Thanh et al. 2020). شوک های سیستمیک یا شوکهای خاص و خاص مسری منجر به بحران های سیستمیک می شوند ، بنابراین به شدت سیستم مالی را مختل می کنند و اقتصاد را بی ثبات می کنند (د باند و هارتمن 2000). بنابراین ، آکادمی ها و سیاست گذاران از نزدیک از ثبات و صداقت سیستم مالی یک اقتصاد پیروی می کنند.

مؤلفه مهم سیستم مالی هند بازار سهام هند است. هند یکی از اقتصادهای نوظهور است. این سیاست اقتصاد باز را دنبال می کند و یکی از بزرگترین دریافت کنندگان FDI (سرمایه گذاری مستقیم خارجی) در بخش های اصلی است. طی دو دهه گذشته ، بازار سهام هند رشد چشمگیر نشان داده است ، به ویژه از نظر نرخ گردش مالی ، سرمایه بازار و تعداد شرکت های ذکر شده. با گفتن این موضوع ، جهانی سازی همچنین کشور را در برابر خطرات مختلف جهانی آسیب پذیر می کند (Maiti 2020). به عنوان مثال ، تحولات اخیر در بازارهای دارایی به جریان سرمایه بین المللی بستگی دارد. بنابراین ، هرگونه واژگونی از این جریان ها تأثیر منفی بر افزایش سرمایه های آینده و ارزیابی دارایی ها ایجاد می کند. براساس گزارش جهانی ریسک منتشر شده توسط مجمع جهانی اقتصاد (2018) ، سیاستگذاران و کارآفرینان ، به ویژه در اقتصادهای نوظهور ، به خوبی آماده نیستند تا با آشفتگی جدی اقتصادی یا مالی روبرو شوند. بنابراین ، تجزیه و تحلیل تأثیر وقایع اصلی بر اقتصادهای نوظهور مانند هند بسیار مهم است. تأثیر چنین خطرات بلافاصله در بازار سهام منعکس می شود.

بازارهای سهام بسیار بی ثبات هستند و اغلب خطرات ناشی از وقایع سیستمیک مانند حباب دارایی ، عدم تعادل کلان ، بیرونی منفی ، قرار گرفتن در معرض همبسته ، اختلال در اطلاعات و داروها و غیره را با بازارهای اقتصادی و مالی موجود با استفاده از کانال های مختلف گسترش می دهند. به طور کلی ، سرمایه گذاران در بورس به عنوان تصمیم گیرندگان فقیر بیزی در نظر گرفته می شوند و شواهد نشان می دهد که آنها نسبت به اطلاعات اخیر بیش از حد واکنش نشان می دهند. خوش بینی سرمایه گذار منجر به کاهش نوسانات درآمد می شود ، در حالی که بدبینی سرمایه گذار باعث افزایش نوسانات درآمد می شود. در نتیجه ، قیمت سهام از ارزش اساسی اساسی خود منحرف می شود (د باند و تالر 1987 ؛ لی و همکاران 2002). با گفتن این موضوع ، تصمیمات مربوط به بازارهای مالی با "اعتقاد جمعی" اداره می شود. سرمایه گذاران به نحوه شکل گیری نظر جمعی توجه می کنند و بر این اساس واکنش نشان می دهند (Orleéan 2004 ، 2008). این منجر به گله و قیمت سهام می شود که از ارزش اساسی آنها منحرف می شود. بنابراین ، فرضیه بیش از حد سرمایه گذار (IOH) کارآیی بازارها را به چالش می کشد. مطالعه تأثیر وقایع مختلف غیرقابل پیش بینی بر قیمت سهام مهم است. یکی از چنین رویدادهای غیرقابل پیش بینی ای که اخیراً اقتصاد جهانی را خراب کرده و تأثیر منفی در بازار جهانی ایجاد کرده است ، همه گیر Covid-19 است.

COVID-19 یا CORONAVIRUS DISSIVE 2019 ، ناشی از ویروس SARS-COV-2 ، برای اولین بار در ووهان چین تشخیص داده شد. در نتیجه ، موارد بی شماری در سراسر جهان ردیابی شد و سازمان بهداشت جهانی آن را در 11 مارس 2020 اعلام کرد. بخش بانکی و بازارهای اوراق قرضه ، و (III) کاهش رشد اقتصادی در حالی که اثرات این بیماری همه گیر آشکار می شود ، با مشکلات شدید روبرو می شوند. در 24 مارس 2020 ، یک قفل در سراسر کشور در هند اعلام شد تا عواقب نامطلوب را کاهش دهد. چنین اقدامات و محدودیت های فاصله اجتماعی اجتماعی بر روی حمل و نقل تأثیر منفی بر بهره وری بنگاهها از طریق افزایش هزینه های بهره برداری ، کاهش درآمد و چالش های جریان نقدی تأثیر منفی گذاشت. الگوی مصرف معمول به دلیل وحشت در بین مصرف کنندگان تحت تأثیر قرار گرفت. همه اینها منجر به ناهنجاری بازار شد (بورا و پایه 2021). Nifty به سرعت 40 ٪ از ارزش بازار خود را در مقایسه با ارزش خود در ابتدای سال کاهش داد. سقوط ناگهانی در شاخص ها بر اوراق بهادار فردی سرمایه گذاران تأثیر گذاشت. با این حال ، سرمایه گذاران خرده فروشی فعال این را فرصتی برای زمان بازار ، سرمایه گذاری و کسب بازده قابل توجهی دانستند. در مجموع 10 میلیون حساب DEMAT جدید در سال 2020 به دلیل هزینه کم معاملات و تغییر گسترده صنعت به معاملات آنلاین 1 افتتاح شد. گزارش ها نشان می دهد که شاخص جهانی MSCI ، که شامل سهام از 23 کشور توسعه یافته و 24 بازار نوظهور است ، 10. 7 ٪ از ارزش خود را بین 23 ژانویه و 6 مارس 2020 از دست داد. شیوع اقتصادهای تحت تأثیر Covid-19 در سطح جهان و هند یکی از آنها بود. این همه گیر شوک جهانی بی سابقه ای ایجاد کرد و نوسانات بازار مالی را افزایش داد. اقتصاد جهانی سقوط کرد ، بیکاری افزایش یافت و قیمت نفت در مرحله اولیه کاهش یافت اما در مرحله بعدی به میزان قابل توجهی افزایش یافت (علم و همکاران 2020). از آنجا که بازار سهام هند به خوبی یکپارچه است و به موقعیت های جهانی پاسخ می دهد ، روشن کردن تأثیر COVID-19 بر بازار سهام هند مهم است. یکی از این روشها برای اندازه گیری این تأثیر ، استفاده از روش مطالعه رویداد است که توسط Fama و همکاران معرفی شده است.(1969).

روش مطالعه رویداد برای ارزیابی نوسانات قیمت سهام در سرمایه گذاری و حسابداری گنجانیده شده است و بررسی می کند که آیا یک رویداد می تواند بر عملکرد سهام های مختلف تأثیر بگذارد و بازده غیر طبیعی را ایجاد کند. به طور کلی ، از تجزیه و تحلیل رویداد (1) برای آزمایش اینکه آیا هرگونه اطلاعات جدید به طور مؤثر توسط بازارها و (2) برای بررسی تأثیر یک رویداد بر ثروت دارنده امنیت درج شده است ، استفاده می شود ، با فرض اینکه فرضیه کارآمد بازار حداقل با صادق است. با توجه به اطلاعات در دسترس عموم (Binder 1998). ویژگی های مهم تجزیه و تحلیل رویداد این است که مسائل مربوط به ثابت بودن و فصلی بودن را در یک سری زمانی در نظر نمی گیرد ، در حالی که مدل های میانگین متحرک (ARMA) فقط در سری زمانی ثابت اعمال می شوند و مستقیماً در یک سری زمانی فصلی قابل اجرا نیستندبشراین روش همچنین بررسی می کند که آیا همبستگی بین متغیرها مثبت یا منفی است. از این رو ، تجزیه و تحلیل مطالعه رویداد به طور گسترده ای در ادبیات مالی استفاده می شود. مطالعات بی شماری تأثیر اضطراری بر قیمت سهام را با استفاده از تجزیه و تحلیل مطالعه رویداد ، مانند تأثیر حملات تروریستی بررسی کرده است (آرین و همکاران 2008 ؛ دراکسوس 2010) ، رویدادهای سیاسی (Beaulieu و همکاران 2006 ؛ Bash and Alsaifi 2019) ، هسته ایبلایای طبیعی (Kawashima and Takeda 2012) ، سندرم حاد تنفسی حاد (SARS) شیوع بیماری همه گیر (چن و همکاران 2007) ، اپیدمی (چن و همکاران 2007 ؛ ایچف و مارینچ 2018 ؛ سالیسو و VO 2020) ، و غیره.

هدف از این مطالعه بررسی تأثیر همه گیر جهانی در بازار سهام هند است. بورس اوراق بهادار ملی (NSE) ، یکی از دو بورس سهام بزرگ در هند ، در سطح جهان سومین بورس بزرگ از نظر تعداد معاملات سهام است و بزرگترین مشتقات جهان را از نظر حجم دارد. بنابراین ، این مقاله به بررسی تأثیر شیوع COVID-19 با استفاده از روش مطالعه رویداد بر روی شاخص Nifty50 و ترکیبات آن می پردازد. شاخص Nifty50 شاخص معیار NSE است. یکی از ویژگی های بارز این مقاله ، بررسی تأثیر همه گیر در بخش های اصلی تشکیل دهنده شاخص Nifty50 - خدمات مالی ، کالاهای مصرفی ، IT و Pharma است.

بقیه این مقاله به شرح زیر سازماندهی شده است: بخش 2 به طور خلاصه ادبیات موجود در مورد تأثیر همه گیر Covid-19 در بازده سهام را بررسی می کند. بخش 3 داده ها و روش شناسی را شرح می دهد. بخش 4 یافته های تجربی را گزارش و بحث می کند ، و بخش 5 مطالعه را نتیجه می گیرد.

2. بررسی ادبیات

همه گیر Covid-19 باعث افزایش عدم اطمینان و خطر در سراسر جهان شد و هر دو اقتصاد توسعه یافته و نوظهور مانند ایالات متحده ، ایتالیا ، اسپانیا ، برزیل و هند را تحت تأثیر قرار داد. مطالعات موجود نتایج متنوع را ثبت کرد. اوزیلی و آرون (2020) از سیاست های مهم دولت مانند اقدامات بهداشت عمومی ، اقدامات محدود کننده ، سیاست های دور زدن اجتماعی و سیاست های پولی مالی برای روشن شدن تأثیر COVID-19 بر اقتصاد جهانی استفاده کردند. به گفته آنها ، سیاست مالی بالاتر و محدودیت در حرکت تأثیر منفی بر سطح فعالیت های اقتصادی گذاشت. در راستای نتایج ، Adda (2016) از تنوع شبه تجربی استفاده کرد و نشان داد که محدودیت های سفر در طی یک بیماری ویروسی باعث کاهش درآمد و تأثیر منفی بر اقتصاد می شود. علاوه بر این ، گورمسن و کویجن (2020) اثبات کردند که قفل شدن در ایتالیا به دلیل همه گیر Covid-19 باعث افزایش روند نزولی در رشد تولید ناخالص داخلی و سود سهام کشورهای ایالات متحده و اروپایی شده است. به همین ترتیب ، ژانگ و همکاران.(2020) 10 کشور برتر آلوده به Covid-19 را با استفاده از یک روش تجزیه و تحلیل آماری ساده بررسی کرد و پیشنهاد کرد که این همه گیر ریسک و عدم اطمینان بیشتری را در بازار جهانی ایجاد کند. این مطابق با نتیجه گیری های حاصل از بیکر و همکاران است.(2020) ، که نشان داد نوسانات بازار به دلیل COVID-19 در مقایسه با زمان SARS ، آنفولانزای خوکی ، MERS ، ابولا و آنفولانزای پرنده بسیار زیاد است. به همین ترتیب ، لیو و همکاران.(2020) از روش مطالعه رویدادها استفاده کرد ، با تجزیه و تحلیل 21 بورس سهام پیشرو و نتیجه گیری که شیوع COVID-19 تأثیر منفی قابل توجهی در بورس سهام همه کشورهای آسیب دیده دارد ، در حالی که آسیا کاهش بیشتری از نظر بازده غیر طبیعی دارد. این توضیحات مطابق با یافته های Harjoto و همکاران است.(2021) ، که از تجزیه و تحلیل رویداد برای نشان دادن تأثیر منفی قوی COVID-19 در بازارهای جهانی ، به ویژه بازارهای نوظهور و بنگاه های کوچک استفاده کرده است. براساس این مطالعه ، بنگاه های بزرگ و بازار سهام ایالات متحده بازده های غیر طبیعی مثبت را در مقایسه با سایر اقتصادهای نوظهور بازار ثبت کرده اند. با افزودن این نتیجه ، راملی و واگنر (2020) سیاست های تجاری و مالی بین المللی شرکتهای انفرادی را مورد تجزیه و تحلیل قرار دادند و نتیجه گرفتند که بنگاه های آمریکایی با محوریت بین المللی ، به ویژه شرکت هایی که در معرض بازار چین قرار دارند ، با تأثیرات منفی روبرو شده اند. مطالعات متعددی بر تجزیه و تحلیل اقتصاد بازار فردی متمرکز شده است. به عنوان مثال ، الاوادی و همکاران.

(2020) از یک رویکرد رگرسیون پانل برای بررسی تأثیر همه گیر جهانی در بخش های مختلف بازار سهام چین استفاده کرد. براساس این مطالعه ، سهام بالای سرمایه در بازار تحت تأثیر منفی قرار گرفت ، اما عملکرد فناوری اطلاعات و بخش های داروسازی نسبتاً بهتر بود. به گفته توپکو و گلل (2020) ، اقتصادهای نوظهور آسیا بیشتر از اقتصادهای نوظهور اروپا تحت تأثیر شیوع این بیماری قرار گرفتند. این امر باعث افزایش نرخ بهره در بدهی حاکمیت بازارهای نوظهور (گلدبرگ و رید 2020) شد.

روشهای مختلفی با مطالعات مختلف برای پرداختن به تأثیر شیوع COVID-19 در بورس های مختلف و دارایی های مالی استفاده شد (Maiti et al. 2020 ؛ Maiti 2021 ؛ Vukovic et al. 2021). CEPOI (2020) از رگرسیون کمی پانل استفاده کرد و Bora و Basstha (2021) از یک مدل ناهمگونی مشروط مشروط خودجوش برای سنجش تأثیرات استفاده کردند. یکی از این روشها که برای اندازه گیری تأثیر یک رویداد بی سابقه مورد استفاده قرار می گیرد ، روش مطالعه رویداد است.

با گذشت سالها ، روش مطالعه رویداد با پیشرفت های مختلفی تکامل یافته است. تجزیه و تحلیل رویداد برای اولین بار توسط داللی (1933) برای بررسی تأثیر تقسیم سهام بر قیمت سهام مورد استفاده قرار گرفت. در دهه 1960 ، چندین محقق (مایرز و باکای 1948 ؛ بارکر 1956 ؛ اشلی 1962) در این روش شناسی نقش داشتند. با این وجود ، Ball and Brown (1968) و Fama et al.(1969) در روش مطالعه رویداد به عنوان پیشگامان در نظر گرفته می شوند. اولی روی محتوای اطلاعاتی درآمدها کار می کرد ، در حالی که دومی که به عنوان مطالعه رویداد FFJR شناخته می شود ، یک مدل بازار کلاسیک را برای روشن کردن تأثیر تقسیم سهام پس از حذف اثر افزایش سود سهام طراحی کرده است (Mackinlay 1997). مدل بازار پس از توسعه مدل قیمت گذاری دارایی سرمایه الگوبرداری شد (شارپ 1964 ؛ کورادو 2011). در روزهای اولیه ، حدود زمان یک رویداد ، از مدل بازار عمدتاً برای محاسبه میانگین بازده غیر طبیعی استفاده می شد. تعداد مقالات کمک به مطالعه رویداد در دهه 1980 افزایش یافت. در اواخر دهه 1990 ، روشهای مختلف پیشرفته برای برآورد بازده غیر طبیعی ، به ویژه برای مطالعات رویدادهای بلند مدت معرفی شد. ویندوزهای یک سال یا بیشتر "افکار طولانی" نامیده می شود. این پیشرفت عمدتا به دلیل تحولات مختلف در ادبیات قیمت گذاری دارایی ، مانند مدل سه عاملی توسط FAMA و فرانسوی (1995) و استفاده از داده های روزانه یا داخل کشور به جای داده های ماهانه بود (Mackinlay 1997). با این حال ، وقایع بلند مدت فاقد قابلیت اطمینان و بازده غیر طبیعی افکار طولانی است (براون و وارنر 1980 ؛ لیون و همکاران 1999). آزمایش های افق طولانی از قدرت کم برخوردار هستند و در معرض مشکلات آزمون مشترک قرار می گیرند (Kothari and Waer 2006). طبق گفته های FAMA (1991) ، آزمایش های کوتاه مدت "تمیزترین شواهد در مورد کارآیی" را ارائه می دهد. بنابراین ، این مطالعه از روشهای مطالعه رویدادهای افق کوتاه استفاده کرده است ، زیرا آنها نسبتاً بدون دردسر و سر راست هستند.

روش مطالعه رویداد ابزاری برای ارزیابی تأثیر یک رویداد غیرقابل پیش بینی بر ارزش شرکت است. با فرض عقلانیت در بازار ، تأثیر یک رویداد بلافاصله در قیمت سهم منعکس می شود (Mackinlay 1997). در بازار سهام ، رویدادهای غیر منتظره بر احساسات سرمایه گذار تأثیر می گذارد ، که به نوبه خود بر توانایی تصمیم گیری آنها تأثیر می گذارد. این منجر به تغییر در قیمت سهام می شود (او و همکاران 2020). در گذشته ، مطالعات متعددی به ادبیات در مورد تجزیه و تحلیل رویداد کمک کرده است ، اما تنها چند مطالعه تأثیر یک بحران سلامت در بورس را مورد تجزیه و تحلیل قرار داده است. در میان تعداد بسیار کمی ، بیشتر مطالعات متمرکز بر آنفولانزا و سندرم حاد تنفسی حاد (SARS) شیوع بیماری همه گیر (SARS) بود (چن و همکاران 2007 ؛ گوه و قانون 2002). اخیراً ، یکی از این بحران های بهداشتی که تأثیر منفی و پایدار بر اقتصاد جهانی داشته است ، شیوع Covid-19 است (IYKE 2020).

مطالعات بسیار کمی در تجزیه و تحلیل تأثیر COVID-19 بر بازار سهام هند با استفاده از روش مطالعه رویداد نقش داشته است. بنابراین ، انگیزه این مطالعه کمک به ادبیات رو به رشد با ساخت سه مدل مختلف - مدل بازگشت ثابت ، مدل تنظیم بازار و مدل بازار است. برخی از مطالعات به تأثیر این بیماری همه گیر در بخش های مختلف بازارهای مختلف سهام بین المللی پرداخته است (راملی و واگنر 2020 ؛ او و همکاران 2020 ؛ آلبوکرک و همکاران 2020). با این حال ، شواهد مربوط به بازار سهام هند کمیاب است. در این مقاله سعی شده است این شکاف را با تجزیه و تحلیل تأثیر COVID-19 در بخش های مختلف شاخص Nifty50 پر کند. هدف کلی مقاله این است که آیا با تجزیه و تحلیل ترکیبات شاخص Nifty50 با استفاده از روش مطالعه رویداد ، بازده غیرطبیعی COVID-19 تولید شده است.

3. داده ها و روش شناسی

3. 1داده ها

این مطالعه با هدف بررسی تأثیر شیوع COVID-19 در بازار سهام هند در مارس 2020. قیمت سهام برای تقسیم سهام و سود سهام از پایگاه داده های مالی یاهو و CMIE Prowess گرفته شده است. قیمت های امنیتی روزانه برای تجزیه و تحلیل در نظر گرفته شد. شاخص Nifty50 شاخص با وزن و سرمایه گذاری در بازار تنظیم شده است که شامل 50 سهام شرکت های تراشه آبی است و حدود 65 ٪ از سرمایه گذاری بازار تنظیم شده با شناور NSE را نشان می دهد. شاخص Nifty50 به عنوان پروکسی برای بازده بازار انتخاب شد. این تجزیه و تحلیل در مورد اجزای شاخص Nifty50 انجام شد. شکل 1 حرکت شاخص را در هنگام شروع همه گیر نشان می دهد. این نمایشگاه نشان می دهد که بازار در ماه مارس در ابتدای همه گیر در هند حدود 15 تا 17 درصد کاهش یافته است. ماه آوریل نسبتاً بهتر بود زیرا بازار سعی در بهبودی از پایین مارس داشت و روند صعودی را نشان داد.

3. 2روش شناسی

تأثیر یک رویداد بلافاصله در قیمت سهام تحقق می یابد ، برخلاف سایر اقدامات مرتبط با بهره وری که به ماههای مشاهده نیاز دارند. تأثیر یک رویداد با اندازه گیری بازده غیر طبیعی ارزیابی می شود. روش مطالعه رویداد به بررسی اینکه آیا چنین حوادث غیرقابل پیش بینی باعث بازده غیر طبیعی شده است ، کمک می کند. بازده غیر طبیعی به عنوان تفاوت بین بازگشت واقعی امنیت سابق از طریق پنجره رویداد و بازده عادی مورد انتظار تعریف می شود (Mackinlay 1997). سه مدل - میانگین مدل بازده ثابت ، مدل تنظیم بازار و مدل بازار برای اندازه گیری بازده غیر طبیعی مرتبط استفاده شد.

مرحله اولیه در تجزیه و تحلیل رویداد تعریف رویداد مورد علاقه و پنجره رویداد است. دولت هند در شامگاه 24 مارس 2020 یک قفل در سراسر کشور را تحمیل کرد. از آنجا که تأثیر آن اعلامیه در بورس اوراق بهادار محقق می شود ، روز بعد ، 25 مارس 2020 رویداد مورد علاقه بود. پنجره رویداد دوره زمانی است که طی آن قیمت های امنیتی توسط یک رویداد خاص تحت تأثیر قرار می گیرد. پنجره رویداد از دو مؤلفه تشکیل شده است - پنجره پیش بینی و پنجره تنظیم. روز ضربه یا روز رویداد به عنوان روز 0 تعیین شده است. 15 روز قبل از این رویداد ، پنجره پیش بینی نامیده می شود و 15 روز پس از این رویداد پنجره تنظیم را تشکیل می دهد. این مطالعه از عمل معمول انتخاب یک پنجره پیش بینی و تنظیم 10 روزه منحرف شده است. از آنجا که این ویروس روزانه غافلگیر می شود و هنوز در مرحله کشف در سراسر جهان است ، یک پنجره رویداد 15 روزه به ضبط رفتار سرمایه گذار به روشی برجسته کمک می کند. مرحله بعدی تعریف پنجره تخمین بود. پنجره تخمین یک بازه زمانی از پیش تنظیم شده قبل از وقوع یک رویداد است. دوره تخمین روز −135 ، 16 - ، یعنی 15 روز قبل از روز رویداد به پایان می رسد و مدت 120 روز معاملاتی را در بر می گیرد. شکل 1 جدول زمانی تجزیه و تحلیل رویداد را نشان می دهد. به منظور از بین بردن تعصبات احتمالی ، دوره تخمین از دوره رویداد جدا می شود (هندریکس و سینگال 2003).

بر خلاف یک پنجره رویداد کوتاه (حداکثر 1 ماه قبل و 1 ماه بعد از آن) ، یک پنجره رویداد طولانی (I) قدرت آمار آزمون را کاهش می دهد ، (ب) منجر به اثرات مخدوش کننده می شود ، و (III) نتیجه گیری نادرست می شود (مک ویلیامزو سیگل 1997). از آنجا که تجزیه و تحلیل رویداد به پیش بینی بستگی دارد ، دقت نتایج با گذشت زمان کاهش می یابد. احتمال هر رویداد دیگری که بر قیمت سهام و ایجاد سر و صدا تأثیر بگذارد ، در دوره های طولانی نسبتاً بیشتر است. بنابراین ، یک پنجره رویداد کوتاه برای تجزیه و تحلیل در نظر گرفته شد. شکل 2 جدول زمانی پنجره رویداد را که در تجزیه و تحلیل ما در نظر گرفته شده است نشان می دهد. در این کار ، ما یک پنجره رویداد 15 روز قبل و 15 روز پس از آن در نظر گرفتیم تا تصویری بهتر از تأثیر همه گیر Covid-19 را ضبط کنیم ، زیرا این یک رویداد یک روزه نبود. در عوض ، این رویداد طی روزها پخش شد زیرا تعداد COVID-19 هر روز افزایش می یابد. بنابراین ، برای گرفتن تصویر بهتر ، ما 5 روز دیگر اندازه پنجره رویداد را افزایش دادیم (معمولاً 10 روز قبل و بعد از پنجره برای یک رویداد یک روزه در نظر گرفته می شود).

واکنش بورس سهام به ورود اطلاعات جدید با بازده غیر طبیعی منعکس می شود (مک ویلیامز و سیگل 1997). فرض بر این است که بازده دارایی در طول زمان IID (مستقل و یکسان توزیع می شود) و به طور مشترک چند متغیره است. سه مدل مختلف استفاده شده برای محاسبه بازده غیر طبیعی در زیر بیان شده است.

3. 2. 1. میانگین میانگین مدل بازگشت

میانگین مدل بازگشت ثابت ساده ترین مدل است اما نتایج مشابه سایر مدلهای پیشرفته را به دست می آورد (براون و وارنر 1980 ، 1985). این فقط میانگین بازده سهام را در نظر می گیرد و برای بازده شاخص تنظیم نمی شود. از این رو ، این مدل تمایل به بازده غیر طبیعی تورم دارد. بازده غیر طبیعی از مدل میانگین بازگشت ثابت در زیر در معادله (1) آورده شده است._i,tجایی که ξ_i,tآیا بازگشت غیر طبیعی با E [ξ_i,t] = σ_ξ,i] = 0 و var [ξ_i,t2 ، r_tآیا بازده واقعی سهام I در هر روز از دوره تخمین ، x است_i,t|X_t) = μ_iآیا اطلاعات تهویه مطبوع در زمان t و e (r

میانگین بازده سهام در پنجره تخمین است.

3. 2. 2. مدل بازار

مدل بازار تأثیر عوامل مرتبط با بازار را جدا می کند و خطر سیستماتیک را کنترل می کند. این یک مدل معیار برای محاسبه بازده طبیعی در نظر گرفته شده است. این مدل به مدل میانگین بازگشت ثابت ترجیح داده می شود ، زیرا بازده اضافی را به دلیل تغییر بازده بازار حذف می کند ، بنابراین واریانس بازده غیر طبیعی را کاهش می دهد (Mackinlay 1997). بازده پیش بینی شده/بازده عادی از مدل بازار در زیر در معادله (2) آورده شده است._i,tجایی که r_m,tبازده واقعی سهام I در هر روز از دوره تخمین است. به همین ترتیب ، r_iبازده بازار هر روز t است. آلفا و بتا تخمین زده شده از دوره تخمین بدست می آیند. روش معمولی حداقل مربع در طی یک دوره 120 روز تخمین برای تخمین α استفاده می شود_i.

و β_i,tجایی که E (r_i,t) بازده مورد انتظار (معادله (2)) است. بازگشت غیر طبیعی (ξ_i,tآیا بازگشت غیر طبیعی با E [ξ_i,t] = σ_ξ,i] = 0 و var [ξ

2 تفاوت بین بازده واقعی روزانه سهام I و بازده عادی تخمین زده شده سهام I در روز t است.

3. 2. 3. مدل تنظیم شده بازار_iمدل تنظیم شده بازار مدل محدود بازار است که در آن α_i= 0 و β

مدل بازار تأثیر عوامل مرتبط با بازار را جدا می کند و خطر سیستماتیک را کنترل می کند. این یک مدل معیار برای محاسبه بازده طبیعی در نظر گرفته شده است. این مدل به مدل میانگین بازگشت ثابت ترجیح داده می شود ، زیرا بازده اضافی را به دلیل تغییر بازده بازار حذف می کند ، بنابراین واریانس بازده غیر طبیعی را کاهش می دهد (Mackinlay 1997). بازده پیش بینی شده/بازده عادی از مدل بازار در زیر در معادله (2) آورده شده است._itجایی که r_i,tبازده واقعی سهام I در هر روز از دوره تخمین و RI است

بازده واقعی شاخص در هر روز T از دوره تخمین است.₀فرضیه تهی (ح

): میانگین بازده غیر طبیعی در پنجره رویداد از نظر آماری معنی دار نیست.₁فرضیه جایگزین (ح

): میانگین بازده غیر طبیعی در پنجره رویداد از نظر آماری معنی دار است.

4- نتایج و بحث ها

4. 1متوسط بازده غیر طبیعی از اجزای شاخص Nifty50

بر خلاف ایالات متحده ، بورس سهام در هند حتی قبل از شیوع واقعی COVID-19 در اوج خود در هند به دلیل دانش تجربه سایر کشورها واکنش نشان داد (ورما و همکاران 2021). بنابراین ، این مقاله مرحله اولیه شیوع را مورد تجزیه و تحلیل قرار می دهد. میانگین بازده غیر طبیعی برای 50 سهام تشکیل دهنده شاخص Nifty50 با استفاده از سه مدل مختلف - مدل بازگشت ثابت ، مدل بازار و مدل تنظیم بازار محاسبه شد. با سطح اهمیت 5 ٪ ، از آزمون t برای آزمایش اهمیت استفاده شد. AAR به مدت 30 روز در پنجره رویداد محاسبه شد و در جدول 1 و جدول 2 جدول بندی شده است. جدول 1 نتایج مدل بازگشت ثابت را نشان می دهد. این نمایشگاه را نشان می دهد که ، در روز رویداد ، یعنی روز 0 ، میانگین منفی منفی قابل توجهی از 12. 8 ٪ وجود داشت. میانگین AAR در روز این رویداد 9/12 درصد بود. دو روز قبل و بعد از این رویداد ، AAR به طور قابل توجهی از 0. تفاوت معنی داری دارد. جدول 2 نتایج مدل بازار و مدل تنظیم بازار را نشان می دهد. این نشان می دهد که در روز رویداد ، AAR های هر دو مدل از نظر آماری معنی دار نبودند. فرضیه تهی را نمی توان رد کرد و بازده غیر طبیعی در روز رویداد از نظر آماری معنی دار نبود. با این حال ، بازگشت غیر طبیعی منفی دو روز قبل و بعد از این رویداد نیز ثبت شد. بازده غیر طبیعی در هر بخش برای روشن شدن وجود بازده مثبت غیر طبیعی در روز رویداد مورد بررسی قرار گرفت.

از جدول 1 و جدول 2 مشاهده کردیم که بعضی روزها AAR های قابل توجهی را قبل و بعد از این رویداد ثبت کرده است. شرکت های دارای انعطاف پذیری پایین تر و اهرم عملیاتی بالا با اثرات جانبی روبرو شده اند. از آنجا که اجزای Nifty50 شرکت های تراشه آبی هستند ، شرکت هایی با اهرم کم کار ، عملیات مقیاس پذیر تر و انعطاف پذیری عملیاتی بیشتر در ارزش بازار ضرر کمتری داشتند (ورما و همکاران 2021). بنابراین ، AAR های محاسبه شده از مدل بازار و مدل تعدیل شده بازار در طی 30 روز پنجره رویداد فقط از 1. 69 تا 1. 70 و از 1. 72 تا 1. 69 متغیر بود. با این وجود ، تجزیه و تحلیل بخش های فردی به شناسایی بخش های تحت تأثیر کمک می کند.

4. 2تأثیر همه گیر در بخش های مختلف شاخص Nifty50

شاخص Nifty50 شامل 13 بخش مختلف - محصولات بیوتیکی ، سیمان و سیمان ، ساخت و ساز ، کالاهای مصرفی ، کود و سموم دفع آفات ، خدمات مالی ، فناوری اطلاعات ، فلزات ، نفت و گاز ، داروسازی ، نیرو و خدمات است. شکل 3 ، شکل 4 ، شکل 5 و شکل 6 میانگین بازده غیر طبیعی از پنجره رویداد چهار - فارما ، کالاهای مصرفی ، خدمات مالی و بخش IT را نشان می دهد. از آنجا که بخش خدمات مالی بیشترین وزن (22 ٪) را در این شاخص و به دنبال آن کالاهای مصرفی (14 ٪) ، بخش خودرو (12 ٪) و IT (10 ٪) 2 داشت ، این بخش ها در تجزیه و تحلیل قرار گرفتند. هنگامی که در محیط اقتصادی یک بخش خاص تغییری ایجاد می شود ، شرایط عملیاتی بنگاهها در آن بخش بسیار با همبسته است (Moskowitz and Grinblatt 1999). از آنجا که شروع همه گیر تأثیر مستقیمی بر شرکت های داروسازی داشت ، بخش داروسازی در این تجزیه و تحلیل قرار گرفت.

از نمودارها ، تمام بخش های موجود در نمودارها بالاترین ARR مثبت را در روز نهم پس از این رویداد به دلیل گزارش نتایج آزمایش مثبت در مورد درمان ویروس تجربی 3 ثبت کردند. با توجه به شروع همه گیر COVID-19 ، بدیهی است که بخش داروسازی باید با تولید مجموعه ای لازم از داروها و واکسن ها برای کنترل و در نتیجه کاهش تأثیر جانبی آن ، راه را طی کند. در روز رویداد ، هنگامی که مدل بازگشت ثابت AAR را در حدود 6 ٪ نشان داد ، مدل تنظیم بازار AAR مثبت از همان کوانتومی را نشان داد. سهام داروسازی به اندازه شاخص و سهام این بخش طولانی نبود ، زیرا سرمایه گذاران انتظار داشتند که در آینده نزدیک رشد صعودی در این بخش داشته باشند. برخی از سهام داروسازی بازده مثبت را در همان روز که این شاخص حدود 12 ٪ کاهش یافته است ، ثبت کردند. شکل 3 AAR به دست آمده از سهام موجود در بخش داروسازی شاخص Nifty50 را ثبت می کند. در روز رویداد ، مدل بازگشت مداوم یک ARR منفی را ثبت کرد ، در حالی که مدل تنظیم شده بازار یک ARR مثبت را ثبت کرد. حتی اگر روز اول و دوم پس از این رویداد روند نزولی را در AAR ثبت کرد ، پس از این رویداد یک AAR مثبت را ثبت کرد. پس از روز رویداد ، تمام مدل ها نشان دادند که AAR را نوسان می کند. این شبیه به نتایج به دست آمده توسط راملی و واگنر (2020) است ، که مستند شده است که این بیماری همه گیر تأثیر زیادی بر شرکت های دارویی بازار ایالات متحده دارد.

به همین ترتیب ، شکل 4 نشان می دهد که مدل تنظیم شده بازار بازده مثبت را برای بخش کالاهای مصرفی ثبت کرده است. حتی پس از تأثیرات منفی قفل و عدم قطعیت های غالب ، سهام مصرف شاهد کاهش شدید نبود. این امر به این دلیل است که (i) کالاهای اساسی غیرقانونی هستند و تقاضای و عرضه آنها حتی در این شرایط کاهش نمی یابد ، و (ب) بخش مصرف کننده شکنندگی عملیاتی کم را نشان داد و ارزش بازار در طول بحران با ضربات شدید روبرو نیست (Verma etآل 2021).

با این حال ، بخش خدمات مالی ، که وزن 22 ٪ در این شاخص را به خود اختصاص می داد ، بدترین ضربه بود. این بخش به دلیل پیش بینی افزایش NPA ها (دارایی های غیر عامل) در آینده تحت تأثیر منفی قرار گرفت. از زمان معرفی یک قفل در سراسر کشور ، انتظار می رود که درآمد شرکت ها کاهش یابد. سرمایه گذاران همچنین انتظار داشتند پیش فرض در بخش وام شخصی باشد. بنابراین ، افزایش مورد انتظار در ریسک اعتباری مشتریان شرکت و خرده فروشی منجر به احساسات منفی 4 شد و سرمایه گذاران شروع به فروش سهام در این بخش کردند. این همچنین توسط AAR منفی در روز رویداد اثبات شد (شکل 5 را ببینید).

شکل 6 نشان می دهد که بخش فناوری اطلاعات در روزهای قبل از این رویداد دارای AAR منفی عمیق بوده است. با توجه به عدم اطمینان در بازار به دلیل عملکرد سهام ، فروش سنگین FII (سرمایه گذار نهادی خارجی) قبل از این رویداد ثبت شد. با این حال ، INR پس از وقوع این رویداد کاهش یافته است. بخش فناوری اطلاعات صادر کننده خدمات است. با توجه به بیشتر مشتری های مستقر در خارج از هند ، از شرکت های فناوری اطلاعات هندی انتظار می رفت که درآمد بیشتری کسب کنند. سرمایه گذاران نسبت به این بخش مثبت بودند و برخی از سهام فناوری اطلاعات حتی در روز این رویداد بازده مثبتی داشتند. بخش فناوری اطلاعات همچنین به دلیل مزایای تنظیمات تولید کار از خانه ، شکنندگی نسبتاً کمی داشت. چنین گمانه زنی ها باعث شد تا بخش IT پس از اعلام ، AAR مثبت تولید کند.

جدا از این بخش ها ، بخش خودرو نیز با تأثیرات جانبی روبرو شد. تقاضا برای خودروها به دلیل درآمد کمتر یکبار مصرف و فعالیت اقتصادی فرومایه کاهش یافته است. بیشتر مواد اولیه و کالاهای نهایی موجود در بخش الکترونیک از چین وارد می شوند. تأثیر منفی بر اقتصاد چین زنجیره تأمین را مختل کرد و به دلیل عدم اطمینان غالب در رشد ، تقاضا برای کالاهای سفید مانند الکترونیک کاهش یافته است. فقدان تقاضا بدون توجه به ماهیت اقتصادی آنها تأثیر منفی بر بخش ها دارد. شواهد نشان می دهد که بنگاه های فشرده سرمایه نسبتاً در برابر شوک ها آسیب پذیرتر بودند. با این حال ، بنگاه هایی که شکنندگی زنجیره تأمین بیشتری را نشان می دهند با تأثیر شدیدی در ارزش بازار خود روبرو نشده اند (ورما و همکاران 2021). بخش های دیگر نیز تحت تأثیر این همه گیر قرار گرفتند که گردشگری و املاک و مستغلات در رده صنایع بدترین آسیب دیده قرار گرفتند. با این حال ، قفل ها و اقدامات دور از ذهن اجتماعی تأثیر مثبتی در بخش ارتباطات از راه دور داشتند (راملی و واگنر 2020). به طور کلی ، عدم اطمینان غالب بود و احساسات منفی بود. این امر باعث فروش فروش در بازار سهام هند شد. نتایج حاصل از مدل تعدیل شده بازار و مدل بازار دلالت بر این دارد که تکیه بر مدل بازگشت مداوم ممکن است منجر به نتیجه گیری های فریبنده شود ، زیرا دومی بازده تورم را در مقایسه با مدل های قبلی تولید می کند.

5. نتیجه گیری ها

در این مطالعه تأثیر COVID-19 در بازار سهام هند با سنجش وجود بازده غیر طبیعی در هنگام شروع همه گیر بررسی شده است. ما برای تجزیه و تحلیل ما از سه روش مختلف مطالعه رویداد ، از جمله مدل بازگشت ثابت ، مدل تنظیم بازار و مدل بازار استفاده می کنیم. بازده های غیر طبیعی در روزهای قبل و بعد از وقوع این رویداد مورد توجه قرار گرفت. پس از اعلام قفل کامل ، تمام مدل ها در بیشتر روزها AAR به طور مداوم مثبت نشان دادند. علاوه بر این ، ما تجزیه و تحلیل بخشی را برای درک تأثیر همه گیر Covid-19 در بخش های فردی انجام دادیم. به طور کلی ، ما دریافتیم که COVID-19 ریسک موجود در بورس را افزایش داده است. با این حال ، نتایج ما ناهمگن است و تا حد زیادی به بخش ها بستگی دارد. این یافته ها مطابق با گورو و داس (2021) و شانکار و دوبی (2021) است. همه بخش ها به طور موقت تحت تأثیر قرار گرفتند ، اما بخش مالی با بدترین وضعیت روبرو شد. بخش هایی مانند Pharma ، کالاهای مصرفی و تأثیرات مثبت یا محدودی داشتند. نتیجه ما شبیه به Bora و Bstaseha (2021) است ، که بخش داروسازی را در این زمان همه گیر مرتبط با سلامتی جذاب می دانند.

به طور کلی ، این کار نشان می دهد که یک شوک شبیه به Covid-19 باعث کاهش ناگهانی و زیاد بازده بازار سهام می شود و می تواند به دلیل احتمال رکود شدید در قیمت سهام آن ، تهدیدی وجودی برای بخش مالی ایجاد کند. از آنجا که بخش مالی ستون فقرات ثبات اقتصادی است ، باید سیاست هایی برای کاهش وحشت جمعی در طی هر بیماری همه گیر تدوین شود. با نگاهی به ارتباط بین پویایی ترس سرمایه گذاران و بازارهای مالی ، تنظیم کننده ها باید مکانیسم های موثری برای مقابله با بدبینی شدید شدید در بازار داشته باشند. علاوه بر این ، دولت ها و بانک های مرکزی باید به طور مؤثر و به موقع ارتباط برقرار کنند تا به کاهش تأثیر در بازار مالی کمک کنند (الاوادی و همکاران 2020). نوسانات بازارهای مالی همچنین به سرعت مداخله سیاست های مالی فوق العاده برای کاهش خسارات ناشی از COVID-19 بستگی دارد. بنابراین ، افزایش منابع به سمت سیستم مراقبت های بهداشتی نیز می تواند تأثیر مثبتی در کاهش نوسانات مالی داشته باشد. علاوه بر این ، سرمایه گذاران می توانند از این نوع رویداد یاد بگیرند تا از اوراق بهادار سهام عدالت از شوک های پیش بینی نشده محافظت کنند و تصمیمات سرمایه گذاری بهتری بگیرند تا با انتخاب استراتژی های موثر محافظت یا ایمن ، از ضررهای بزرگ غیر منتظره جلوگیری کنند (SG و Kayal 2020 ؛ Conlon et al. 2020 ؛ Conlon and Conlon and and Conlon ومک گی 2020).

کمک های نویسنده